.

Případové studie


98 % z 1,5 milionu transakcí za den automaticky kategorizuje velká česká banka. Pomocí aplikace od Adastry, která využívá 25 Data Science modelů

Velká česká banka s miliony klientů, kteří denně uskuteční několik milionů transakcí, chtěla lépe porozumět finančnímu chování individuálních klientů i zákaznických segmentů. Hledala, jak každé bankovní transakci – karetní i nekaretní – automaticky přiřadit předem definovanou kategorii. Navazovala na své předchozí snahy o kategorizaci a analýzu transakcí s cílem zrychlit, zpřesnit a automatizovat kategorizaci hlavně nekaretních transakcí.

Společně s bankou jsme vyvinuli aplikaci, která zachovává rozdílný přístup ke karetním a nekaretním transakcím, ale oproti původnímu řešení konsoliduje všechny typy kategorizací do jednotné struktury – stejného, detailního kategorizačního stromu.

+ 40 %

Oproti původnímu řešení zvýšila nová aplikace přesnost kategorizace transakcí u karetních operací o 40 %.

2-násobek

Počet kategorií přiřazených nekaretním transakcím se s novou aplikací zdvojnásobil.

1,5 mil

Denně aplikace přiřadí kategorie k 1,5 milionů bankovních transakcí.

95 %

Aplikace automatizovaně přiřadí kategorie v 95 % karetních operací.

25 modelů

Aktuálně se u nekaretních transakcí využívá 25 různě pokročilých analytických a Data Science modelů.

1 +

Více než rok vyvíjíme společně s bankou aplikaci na štítkování bankovních transakcí.

Aplikace automatizovaně přiřadí kategorie v 98 procentech bankovních operací

None

Základ metody pro automatické kategorizace karetních transakcí tvoří textová analytika

None

Pro nekaretní transakce vznikl systém modulů – každý využívá pro kategorizaci unikátní metodu: od automaticky generovaných seznamů známých účtů společností, přes machine learningové modely až po komplexnější analýzy

Aktuálně v bance využívají 25 různě pokročilých analytických a Data Science modelů pro kategorizaci především nekaretních transakcí.

Zástupci banky uvítali komplexní přístup ze strany Adastry.

Michal Kratochvíl, ředitel divize Banking, Adastra


Banka komunikuje efektivněji, personalizovaně, na vyšší úrovni

Přehledné třídění karetních transakcí a bankovních plateb přispělo k lepšímu porozumění chování klientů i celých zákaznických segmentů.

Počet kategorií přiřazených nekaretním transakcím se s novou aplikací zdvojnásobil.

V krátkodobém až střednědobém horizontu bude rychle stoupat díky zpětnému toku vlastní kategorizace uživateli mobilního a internetového bankovnictví.

Přesnost kategorizace transakcí u karetních operací se zvýšila o 40 %.

None

Retailové bankovnictví využívá výstupy z projektu mj.

  • pro reporty a agregované údaje za sledované zákaznické segmenty
  • jako podklad pro bankovní poradce i automatické rady klientům

Marketing na základě přesné znalosti jeho zvyklostí, zájmů, oblíbených komunikačních kanálů a dalších preferencí pro specifické kampaně šité na míru konkrétnímu klientovi

Provoz pro

  • zobrazení kategorií v mobilním a internetovém bankovnictví
  • umožnění vlastní kategorizace klienta
  • zobrazení v aplikaci pro bankovní poradce apod.

Klienti banky používají aplikaci v elektronickém a mobilním bankovnictví

  • snadno a přehledně vidí, kolik finančních prostředků které kategorii věnují (bydlení, pojištění, náklady na školu, zdraví, hobby, dovolená apod.) a mají okamžitý a přesný přehled o struktuře svých příjmů a výdajů

  • mohou podle něj upravovat své výdaje, investiční portfolio – ať už sami nebo společně s bankovními poradci a zvýšit tak svou finanční stabilitu a gramotnost

  • kategorie si mohou dotvářet a spravovat sami včetně nastavování pravidel a vlastní personalizované kategorizace
None

Strategie pro udržitelnost kategorizace do budoucna nastavuje

None

konvence pro budoucí přidávání kategorií do stromu

None

jednotný review proces před přidávání nových kategorií na produkci

None

šablony pro psaní modulů kategorizace pro zapojení interních členů týmu

None

celkovou orchestraci a monitoring aplikace v dávkovém i real-time provozu

Banka oceňuje naši snahu o co nejpřesnější kategorizaci, která zároveň klade důraz na udržitelnost a škálovatelnost pro dlouhodobý provoz.

Michal Kratochvíl, ředitel divize Banking, Adastra


Odstranili jsme slabé stránky původního řešení

None
  • Jednotlivé kategorie byly identifikovány pomocí spolu nesouvisejících skriptů, psaných v různých programovacích jazycích a s minimální snahou o optimalizaci.

  • Výsledné kategorie se často překrývaly, vlivem obtížné údržby rychle zastarávaly, což vedlo k tomu, že přesnost zařazení rychle klesala.

  • Pro byznys byl výstup těžko uchopitelný, a to díky absenci rozdělení kategorií do jednotlivých úrovní a nejednotné konvenci pro ID kategorie.

  • V praxi banka využívala pouze kategorie karetních transakcí, nekaretní kategorie, především kvůli nízké přesnosti, využívány nebyly.

Nemělo by vám uniknout

Chcete i vy automaticky kategorizovat bankovní transakce? Napište nám!

Děkujeme

V co nejbližší době se vám ozveme.

Michal Kratochvíl

Ředitel divize Banking

Dagmar Bínová

Big Data & Data Science Team Lead